File size: 2,017 Bytes
0c19d88 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 | # Klasifikasi Citra Menggunakan Xception dengan Grad-CAM
Proyek ini membangun model klasifikasi citra biner berbasis **transfer learning** dengan arsitektur **Xception** dari Keras, dilengkapi dengan metode Explainable AI (XAI) seperti **Grad‑CAM** untuk menjelaskan prediksi model secara visual.
## Deskripsi Proyek
Model memanfaatkan arsitektur **Xception** yang telah dilatih pada dataset **ImageNet**, kemudian ditambahkan beberapa layer di atasnya untuk disesuaikan dengan kebutuhan klasifikasi biner. Teknik **data augmentation**, **rescaling**, dan lapisan **Dense** digunakan untuk meningkatkan akurasi dan generalisasi model.
## Arsitektur Model
```text
Input: (299, 299, 3)
↓ Data Augmentation
↓ Rescaling (1./255)
↓ Xception (tanpa top layer, pretrained ImageNet)
↓ Flatten
↓ Dense (128 neuron, ReLU)
↓ Dense (1 neuron, Sigmoid)
Output: Prediksi biner (0 atau 1)
```
### Ringkasan Layer
| Layer | Output Shape | Parameters |
| --------------- | -------------------- | ---------- |
| InputLayer | (None, 299, 299, 3) | 0 |
| Xception | (None, 10, 10, 2048) | 20,861,480 |
| Flatten | (None, 204800) | 0 |
| Dense (ReLU) | (None, 128) | 26,214,528 |
| Dense (Sigmoid) | (None, 1) | 129 |
**Total parameter**: 99.5 juta
**Trainable parameter**: 26.2 juta
**Non-trainable (frozen Xception)**: 20.8 juta
## Kompilasi Model
```python
pretrained_model.compile(
optimizer='adam',
loss='binary_crossentropy',
metrics=['accuracy']
)
```
## Pelatihan Model
Model dilatih menggunakan `fit()` pada dataset `train_ds` dan divalidasi terhadap `val_ds` selama 20 epoch.
```python
history2 = pretrained_model.fit(
train_ds,
validation_data=val_ds,
epochs=20,
callbacks=[reduce_lr, terminate_callback]
)
```
## Explainable AI (XAI)
Model ini juga dieksplorasi menggunakan **Grad‑CAM** untuk melihat area gambar mana yang dianggap penting oleh model saat membuat prediksi.
|